浅谈多重检验校正FDR例如，在我们对鉴定到的差异蛋白做GO功能注释后，通常会计算一个p值。当某个蛋白的p值小于0.05（5%）时，我们通常认为这个蛋白在两个样本中的表达是有差异的。但是仍旧有5%的概率，这个蛋白并不是差异蛋白。那么我们就错误地否认了原假设（在两个样本中没有差异表达），导致了假阳性的产生（犯错的概率为5%）。如果检验一次，犯错的概率是5%；检测10000次，犯错的次数就是500次，即
转载
2023-07-11 16:38:53
915阅读
# Python中的FDR校正：BH方法详解
在生物统计学和数据分析领域，假阳性率（False Discovery Rate, FDR）的控制至关重要。在进行多重假设检验时，未加校正的p值可能导致大量假阳性发现。FDR校正旨在控制这一问题，其中一种常用的方法就是Benjamini-Hochberg（BH）方法。本文将介绍FDR校正的基本概念，特别是BH方法，并提供Python代码示例。
##
hello，大噶好，最近新学习了利用python实现假设性检验的一些方法，下面结合方法的数学原理做简单的总结~ 假设检验是推论统计中用于检验统计假设的一种方法。而“统计假设”是可通过观察一组随机变量的模型进行检验的科学假说。[1]一旦能估计未知参数，就会希望根据结果对未知的真正参数值做出适当的推论。统计上对参数的假设，就是对一个或多个参数的论述。而其中欲检验其正确性的为零假设（null
转载
2023-10-13 14:36:02
110阅读
#************************************************************ FDR校正 #************************************************************ single setwd("E:/res ...
转载
2021-10-09 15:51:00
2417阅读
2评论
python中面向对象编程1.类（class）1.1. 类的定义：1.2 类的使用1.2.1. 类中参数`self`1.3 类的构造函数1.4. Python对象销毁（垃圾回收）2. 访问权限2.1. 私有变量2.2 私有函数3. 面向对象的特点3.1 继承3.1.1 继承的语法3.1.2. 多重继承3.1.3. 检测3.2 封装3.3 多态 向对象编程——Object Oriented Pr
转载
2024-10-20 09:36:34
48阅读
多重检验中的FDR错误控制方法与p-value的校正及
校正作者：流泪鱼
设总共有m个候选基因，每个基因对应的p值从小到大排列分别是p(1),p(2),...,p(m),则若想控制fdr不能超过q，则只需找到最大的正整数i，使得 p(i)<= (i*q)/m.然后，挑选对应p(1),p(2),...,p(i)的基因做为差异表达基因，这样就能从统计
转载
2023-12-18 21:32:08
101阅读
1.定义 FDR（false discovery rate），是统计学中常见的一个名词，翻译为伪发现率，其意义为是 错误拒绝（拒绝真的（原）假设）的个数占所有被拒绝的原假设个数的比例的期望值。//FDR是个期望值 2.利用Benjamini–Hochberg方法计算FDR的计算及R语言实现FDR的计算相当简单，包括以下几步： 1.对p值进行从小到大的排序
转载
2024-07-04 12:29:59
469阅读
浅谈多重检验校正FDR 例如，在我们对鉴定到的差异蛋白做GO功能注释后，通常会计算一个p值。当某个蛋白的p值小于0.05（5%）时，我们通常认为这个蛋白在两个样本中的表达是有差异的。但是仍旧有5%的概率，这个蛋白并不是差异蛋白。那么我们就错误地否认了原假设（在两个样本中没有差异表达），导致了假阳性的产生（犯错的概率为5%）。如果检验一次，犯错的概率是5%；检测10000次，犯错的次数就是
转载
2023-12-07 21:54:36
604阅读
File descriptor（文件描述符）
fd文件描述符在形式上是一个非负整数。实际上，它是一个索引值，指向内核为每一个进程所维护的该进程打开文件的记录表。当程序打开一个现有文件或者创建一个新文件时，内核向进程返回一个文件描述符。在程序设计中，一些涉及底层的程序编写往往会围绕着文件描述符展开。但是文件描述符这一概念往往只适用于UNIX、Linux这样的操作系统。
一，File对象python的
转载
2023-10-02 23:25:54
0阅读
p.adjust()library("fdrtool")https://stat.ethz.ch/R-manual/R-devel/library/stats/html/p.adjust.htmlhttp://www.360doc.com/content/17/1228/11/50153987_717073620.shtmlhttp://www.360doc.com/content/18/0914
转载
2023-09-09 18:47:34
358阅读
matlab自带函数mafdr，当ttest数较多时，可直接用[FDR, Q]=mafdr(P)；但是Storey procedure在p值少于1000个时会崩溃，此时应改用BH FDR方法：mafdr(P,'BHFDR', true)。该方法对于少量ttest更稳健，但是更保守。
参考链接：https://stat.ethz.ch/pipermail/bioconductor/2014-Ja
原创
2022-08-15 17:35:41
1389阅读
# R语言FDR校正从小到大的实现教程
在生物统计学和数据科学中，进行多重比较时，我们经常需要使用假发现率（FDR）校正技术。FDR校正可以控制假阳性率，为了达到这个目的，R语言提供了简单而高效的实现方法。本篇文章将引导初学者如何在R语言中完成从小到大的FDR校正，并详细展示每一步的步骤及代码实现。
## 整体流程
在实现FDR校正的过程中，我们可以遵循以下步骤：
| 步骤 | 描述
总结起来就三句话：（1）当同一个数据集有n次（n>=2）假设检验时，要做多重假设检验校正（2）对于Bonferroni校正，是将p-value的cutoff除以n做校正，这样差异基因筛选的p-value
cutoff就更小了，从而使得结果更加严谨（3）FDR校正是对每个p-value做校正，转换为q-value。q=p*n/rank，其中rank是指p-value从小到大排序后的次序。举一个
原创
2022-08-05 14:37:11
2282阅读
# 使用 Python 实现“fdr”功能的指导
作为一名刚入行的开发者，学习如何在 Python 中实现“fdr”（快速权衡风险）的功能是一个提升数据分析能力的重要步骤。本文将带你了解如何通过一系列步骤，使用 Python 实现这一功能。
## 步骤流程概览
以下表格展示了实现“fdr”的基本流程。
| 步骤 | 描述
原创
2024-09-10 03:55:27
66阅读
2018.7.16-7.20
001 将 [“a1”,”bd2”,”c3”,”d4”] 转换成 4321
002 将[“1”, “4”, “7”, “3”, “2”, “6”, “5”, “8”, “9”]变成 8642
#
003 将”a1b2c3d89d7f6e4g5” 变成它的最大数 987654321
004 把[“a”,”1”,”3”,”6”,”c”,”2”,”d”,”4”,”5”]偶数
FDR校正的程序实现及严格程度对比 前言 做统计分析就离不开P value<0.05，而写过科研文章的人也都知道没有经过FDR校正的P值就像一盘散沙，不用风吹，走两步自个儿就散了。 那么FDR校正这个让人又爱又恨的东西是什么呢？又是如何实现呢？http://stat.ethz.ch/R-manual/R-d
转载
2023-07-20 23:24:36
420阅读
# Python实现FDR P值矫正：一次科学研究的必由之路
在生物医学研究、社会科学、文本处理等领域，研究者常常面临着多重假设检验的问题。为了减少假阳性率，我们引入FDR（False Discovery Rate，假发现率）作为一种有效的方法来校正P值。本文将通过Python代码示例，帮助大家理解如何进行FDR P值矫正，并实现这一方法。
## 什么是FDR？
在进行多重假设检验时，随着检
原创
2024-09-20 15:27:55
890阅读
# 如何在Python中实现FDR（假发现率控制）
在生物统计和数据分析中，FDR（假发现率，False Discovery Rate）控制是一个非常重要的过程，尤其是在进行多重假设检验时。假设检验的过程中，我们可能会得到一系列的p值，而这些p值的多重测试可能会导致错误的发现。因此，我们需要通过FDR控制来降低这种错误发现的概率。在Python中，可以使用`statsmodels`库来实现这一过
原创
2024-09-11 05:26:38
55阅读
Python 利用GDAL对遥感图像进行几何校正If the implementation is hard to explain, it’s a bad idea. If the implementation is easy to explain, it may be a good idea. ——The Zen of
转载
2023-09-11 22:42:27
15阅读
# R语言中的FDR（假发现率）解析
在生物统计学和基因组学的研究中，控制多重比较引发的假阳性率至关重要。假发现率（False Discovery Rate，FDR）是一种用于调整多重比较问题的方法，能够有效控制假阳性结果。本文将带你了解FDR的基本概念及其在R语言中的实现，并通过代码示例帮助你理解。
## FDR的基本概念
FDR是指在被认为是显著的结果中，实际上是错误的发现所占的比例。为
